Y.C. Lee et al. использовали DM-технологии для прогнозирования снижения массы тела после хирургического лечения ожирения. В работе ретроспективно учтены данные 249 пациентов (177 женщин и 72 мужчины), оперированных различными методиками. 208 больных (83,5%) в течение 2 лет после операции успешно снизили массу тела, тогда как у 41 (16,5%) эффекта не было. Созданная авторами DM-модель позволяет еще до операции выявить, будет ли после нее эффект и какой вид вмешательства предпочтительнее.
Общей чертой, объединяющей все приведенные выше примеры, является отсутствие единой универсальной технологии создания нейросетевых моделей. В публикуемых разработках используются самые разнообразные архитектуры и алгоритмы функционирования экспертных систем. Это приводит к тому, что почти для каждой задачи разрабатывается своя собственная архитектура, а зачастую – некоторый уникальный алгоритм или уникальная модификация уже существующего алгоритма. С точки зрения практического применения такие экспертные системы почти не отличаются от традиционных программ принятия решений. Более того, предложены методы автоматизированного преобразования традиционных экспертных систем в нейросетевые. Их разработка требует участия специалистов по нейроинформатике, а возможности конструирования пользователем практически отсутствуют. Это делает такие системы дорогими и не очень удобными для практического применения, поэтому в публикациях авторы в основном сравнивают качество работы нейросетевых алгоритмов и традиционных систем, работающих по правилам вывода.
Таким образом, на основании анализа публикаций о применении экспертных систем в медицине можно сделать следующие выводы:
1. Медицинская нейроинформатика как наука находится пока на стадии накопления фактического материала.
2. Нейронные сети обладают чертами, так называемого искусственного интеллекта. Натренированные на ограниченном множестве обучающих выборок, они обобщают накопленную информацию и вырабатывают ожидаемую реакцию применительно к новым данным, не используемым в процессе обучения. Несмотря на значительное количество уже известных практических приложений, возможности дальнейшего использования подходов, основанных на методах искусственного интеллекта, их эффективность окончательно не изучены.
3. Современные технические возможности позволяют выйти на качественно новый уровень представления течения заболевания, а именно на основе экспертных автоматизированных технологий смоделировать типовое развитие патологического процесса. Экспертные компьютерные медицинские системы позволяют врачу не только проверить собственные диагностические предположения, но и обратиться к компьютеру за консультацией в трудных диагностических случаях.
Литература
1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. – М.: Финансы и статистика, 2006.
2. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе Statistica в среде Windows. – М.: Финансы и статистика, 2006.
3. Гельман В.Я. Медицинская информатика: практикум. – СПб.: Питер, 2002.
4. Горбань А.Н. Методы нейроинформатики. — Красноярск, 1998.
5. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. — Новосибирск: Наука, 1998.
6. Дюк В.А., Самойленко А.П. Data Mining: учебный курс. — СПб.: Питер, 2001.
7. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. – СПб.: Питер, 2003.
8. Жарко В.И., Цыбин А.К., Малахова И.В. и др. // Вопросы организации и информатизации здравоохранения. — 2006.— № 4. – С. 3—7.
9. Жарко В.И. // Мед. вестник. – 2008. – № 9 (843). – С. 2.
10. Литвин А.А., Жариков О.Г., Сенчук Г.А. и др. // Проблемы здоровья и экологии. – 2007. – №2 (12). – С. 7–14.
11. Медведев В.С., Потемкин В.Г. Нейронные сети. Matlab 6. — Диалог-МИФИ, 2002.
12. Осовский С. Нейронные сети для обработки информации / пер. с польск. – М.: Финансы и статистика, 2004.
13. Чубукова И.А. Data Mining. — М.: БИНОМ. Лаборатория знаний, 2008.